14 października 2026 r. czasopismo Nature opublikowało badanie zespołu z udziałem Microsoft Research nad Probabilistic Bias Correction (PBC) — metodą, która koryguje probabilistyczne prognozy istniejących modeli pogody. W tygodniach 3. i 4. prognozy po korekcie osiągały lepsze wyniki w większości ocenianych komórek siatki, zależnie od badanej zmiennej. Artykuł w Nature
Co naprawdę robi PBC
PBC nie jest samodzielnym modelem pogodowym. To metoda uczenia maszynowego, która przetwarza prognozę probabilistyczną wygenerowaną przez istniejący system dynamiczny, oparty na AI lub hybrydowy. Zamiast zastępować ten system, koryguje jego prognozowany rozkład prawdopodobieństwa, czyli między innymi to, jak rozkładają się możliwe wyniki.
W badaniu korekty Debias++ i Persistence++ działały równolegle. Następnie ich wyniki przekształcano do postaci prawidłowych dystrybuant i uśredniano. W praktyce PBC potrzebuje prognozy z innego modelu jako punktu wyjścia.
Co zmierzyło badanie
Główna ocena obejmowała tydzień 3. prognozy, czyli dni 19–25, oraz tydzień 4., czyli dni 26–32. Badacze analizowali średnią temperaturę na wysokości 2 m i sumę opadów nad lądem, a także średnie ciśnienie na poziomie morza. Wyniki zestawiono na globalnej siatce o rozdzielczości 1,5° szerokości i długości geograficznej.
W porównaniu z operacyjnie korygowaną prognozą dynamiczną ECMWF metoda PBC poprawiła wynik w podanym odsetku ocenianych komórek siatki. Badanie mierzyło jakość prognoz probabilistycznych za pomocą RPSS — wyniku porównywanego z klimatologicznym punktem odniesienia. W analizie wykorzystano pięć kategorii prawdopodobieństwa oraz reanalizę ERA5 jako odniesienie dla obserwacji.
| Oceniana zmienna | Termin prognozy | Oceniane komórki siatki z poprawą wyniku |
| Suma opadów nad lądem | Tydzień 3. i 4. | 98% |
| Średnia temperatura na wysokości 2 m nad lądem | Tydzień 3. i 4. | 91–92% |
| Średnie ciśnienie na poziomie morza | Tydzień 3. i 4. | 89–91% |
Te wartości opisują udział komórek siatki, w których poprawił się wynik umiejętności prognozowania względem wskazanego modelu ECMWF. Nie są prawdopodobieństwem, że prognoza dla konkretnej miejscowości okaże się trafna.
W teście z 2025 r. zastosowanie PBC do systemu AIFS-SUBS podwoiło jego średni RPSS wynoszący 0,03 dla ocenianych zmiennych i terminów. W danych testowych z 2024 r. połączenie PBC z hybrydowym systemem POET przyniosło wzrost RPSS o 68–98% dla opadów, 15–23% dla średniego ciśnienia na poziomie morza i 5–7% dla temperatury.
Wynik MicroDuet w konkursie z 2025 roku
Oparty na PBC zespół prognoz MicroDuet zajął pierwsze miejsce dla każdej ocenianej zmiennej i terminu w inauguracyjnym sezonie ECMWF AI Weather Quest, trwającym od września do listopada 2025 r. W konkursie uczestniczyły systemy sześciu operacyjnych ośrodków prognozowania oraz 34 zespoły. To wynik z konkretnego sezonu i zestawu ocenianych prognoz.
Wczesne użycie PBC w Kenii
Microsoft Research podaje, że meteorolodzy Kenya Meteorological Service Authority (KMSA) testowali PBC i wykorzystywali go przy przygotowywaniu cotygodniowych prognoz podczas pory deszczowej w 2026 r. Phillip Okello, główny meteorolog KMSA, ocenił, że w testach zespołu metoda poprawiała prognozy dla Wielkiego Rogu Afryki skuteczniej niż inne sprawdzane przez niego metody. Wskazał też na potrzebę dalszego doskonalenia prognoz intensywnych opadów i okresów suszy. Relacja Microsoft Research
Otwarty kod i osobny podgląd Microsoftu
Kod implementacji PBC i eksperymentów jest dostępny na otwartej licencji. To odrębna oferta od modelu Microsoft S2S, który dostarcza cotygodniowe wskazówki probabilistyczne do sześciu tygodni naprzód: Microsoft opisał go jako usługę w prywatnym podglądzie dla wybranych klientów.
